Alex Smola ผู้ร่วมก่อตั้ง Boson AI – ชุดบทสัมภาษณ์

Alex Smola เป็นผู้ร่วมก่อตั้ง Boson AI ซึ่งเขาทำงานด้าน AI เสียงสนทนาและระบบมัลติโหมด เส้นทางอาชีพของเขาครอบคลุมตั้งแต่งานวิจัยเชิงวิชาการที่ Carnegie Mellon University ไปจนถึงโครงการริเริ่มด้าน AI ขนาดใหญ่ที่ AWS เขานำประสบการณ์ทั้งด้านการวิจัยและการพัฒนาผลิตภัณฑ์มาสร้างผู้ช่วยที่เข้าใจสัญญาณบ่งชี้ในการสนทนา รับมือกับการพูดแทรก และทำงานที่เป็นประโยชน์ให้สำเร็จได้

Boson AI พัฒนาโมเดลพื้นฐานและเครื่องมือสำหรับการโต้ตอบด้วยเสียง เสียงพูด และข้อมูลหลายรูปแบบ โมเดล Higgs Realtime รองรับการสนทนาด้วยเสียงแบบเรียลไทม์ ขณะที่แพลตฟอร์มโดยรวมยังมีการสร้างเสียงพูดที่ถ่ายทอดอารมณ์ อวตาร และเอเจนต์เสียงสำหรับองค์กร ในบทสัมภาษณ์นี้ Smola พูดถึงความฉลาดในการสนทนา ประสิทธิภาพในหลายภาษา เศรษฐศาสตร์ของการอนุมาน และมาตรการป้องกันที่จำเป็นต่อการนำเอเจนต์เสียงไปใช้ในกระบวนการทำงานจริงของธุรกิจ

เส้นทางอาชีพของคุณพาคุณจากงานวิจัยเชิงวิชาการที่ Carnegie Mellon University ไปสู่การเป็นผู้นำโครงการริเริ่มด้าน AI ขนาดใหญ่ที่ AWS และตอนนี้ก็มาร่วมก่อตั้ง Boson AI อะไรเป็นแรงบันดาลใจให้คุณมุ่งเน้นด้าน AI เสียงสนทนา และคุณหวังจะแก้ไขข้อจำกัดพื้นฐานใดบ้างในการปฏิสัมพันธ์ระหว่างมนุษย์กับ AI

มนุษย์สื่อสารกันด้วยสิ่งที่มากกว่าคำพูด คุณอาจได้ยินความไม่มั่นใจในน้ำเสียงของใครบางคน หรือสังเกตเห็นว่าเขายังไม่เข้าใจคำอธิบาย การตอบรับสั้น ๆ อาจบอกให้คุณพูดต่อได้ เรารับรู้สัญญาณเหล่านี้โดยไม่ต้องคิด แต่การสอนให้คอมพิวเตอร์รู้จักสังเกตสัญญาณเหล่านี้ยังอยู่ระหว่างการพัฒนา

นั่นคือสิ่งที่ทำให้เรื่องนี้น่าสนใจสำหรับผมมาก ตอนนี้เรามีระบบที่ฉลาดมาก แต่การสื่อสารกับระบบเหล่านั้นก็ยังรู้สึกติดขัดได้ ผมอยากให้ผู้คนอธิบายสิ่งที่ต้องการด้วยคำพูดของตัวเองได้ โดยไม่ต้องคอยคิดว่าจะพูดกับซอฟต์แวร์อย่างไร

ที่ AWS ผมเรียนรู้ที่จะใส่ใจอย่างใกล้ชิดว่าลูกค้าพยายามทำอะไร และผลิตภัณฑ์ช่วยให้พวกเขาทำสิ่งนั้นได้หรือไม่ เรานำแนวทางนี้มาใช้ที่ Boson พร้อมทั้งมีอิสระที่จะเดินหน้าได้อย่างรวดเร็วควบคู่ไปกับความก้าวหน้าของงานวิจัย

เสียงและวิดีโอช่วยให้เรามีข้อมูลให้ใช้มากขึ้น หากใครดูสับสนหรือลังเล ผู้ช่วยก็มีโอกาสตอบสนองก่อนที่บทสนทนาจะออกนอกประเด็น การทำปฏิสัมพันธ์ในชีวิตประจำวันเหล่านี้ให้ดีเป็นส่วนสำคัญของสิ่งที่เรามุ่งหวัง

เมื่อไม่นานมานี้ Boson AI เปิดตัว Higgs Realtime ซึ่งออกแบบมาเพื่อให้โต้ตอบด้วยเสียงพูดแบบเรียลไทม์ได้อย่างเป็นธรรมชาติ แนวทางนี้แตกต่างจากระบบดั้งเดิมที่ผสานการรู้จำเสียงพูด โมเดลภาษา และการแปลงข้อความเป็นเสียงพูดอย่างไรในระดับพื้นฐาน และเหตุใดความแตกต่างนี้จึงสำคัญต่ออนาคตของผู้ช่วย AI

ในกระบวนการแบบดั้งเดิม ระบบรู้จำเสียงพูดจะแปลงคำพูดของคุณเป็นข้อความ จากนั้นโมเดลภาษาจะสร้างคำตอบ แล้วโมเดลเสียงพูดจะอ่านคำตอบนั้นออกมา แต่ละขั้นตอนต้องอาศัยขั้นตอนก่อนหน้า จึงอาจทำให้บทสนทนาดูช้าและไม่ต่อเนื่อง

Higgs Realtime เป็นโมเดลเสียงพูดต่อเสียงพูดที่ออกแบบมาเพื่อการโต้ตอบสดโดยเฉพาะ การฝึกโมเดลครอบคลุมพฤติกรรมในการสนทนา รวมถึงการสลับกันพูดและการตอบสนองต่อคำขอที่เปลี่ยนไป ซึ่งแตกต่างอย่างมากจากการใส่เสียงพูดให้แชตบอตที่ทำงานด้วยข้อความ

ลองนึกถึงเวลาที่คุณถามคำถามยาก ๆ กับใครสักคน เขาอาจพูดว่า “ขอหาข้อมูลดูก่อนนะ” ระหว่างที่กำลังค้นหา คุณก็รู้ว่าเขาได้ยินคำถามและกำลังหาคำตอบอยู่ ผู้ช่วย AI ก็ควรทำเช่นเดียวกันขณะค้นหาข้อมูลหรือใช้เครื่องมือ เพื่อไม่ให้คุณต้องสงสัยว่ามันเข้าใจคุณหรือหยุดทำงานไปแล้ว

เรื่องนี้ยิ่งสำคัญขึ้นเมื่อเป็นงานที่ใช้เวลานาน ผู้ช่วยต้องคอยแจ้งให้คุณทราบระหว่างที่ทำงาน และตอบสนองหากคุณถามคำถามหรือเปลี่ยนใจ

หนึ่งในความท้าทายสำคัญที่สุดของ AI สนทนาคือการรู้ว่าเมื่อใดควรพูด เมื่อใดควรฟัง และจะรับมือกับการพูดแทรกหรือการเปลี่ยนทิศทางอย่างไร Boson AI กำลังจัดการกับความท้าทายเหล่านี้อย่างไร และยังต้องมีความก้าวหน้าทางเทคนิคด้านใดอีกบ้าง ก่อนที่บทสนทนากับ AI จะให้ความรู้สึกเป็นธรรมชาติอย่างแท้จริง

การตอบรับกับการพูดแทรกอาจฟังดูคล้ายกันมาก แต่ต้องตอบสนองต่างกัน หากมีคนพูดว่า “อือ” ขณะที่คุณกำลังพูด เขาอาจต้องการให้คุณพูดต่อ แต่ถ้าเขาแก้ตัวเลขหลักหนึ่งในหมายเลขโทรศัพท์ของตัวเอง คุณก็ต้องหยุดและใช้หมายเลขที่ถูกต้อง ผู้ช่วย AI ควรแยกแยะความแตกต่างนี้ได้

Higgs Realtime ใช้ความหมายของสิ่งที่อีกฝ่ายพูดเพื่อช่วยตัดสินว่าเขาพูดจบแล้วหรือกำลังหยุดพัก การตอบสนองอย่างรวดเร็วเป็นเรื่องสำคัญ แต่การรู้ว่าควรตอบสนองอย่างไรก็สำคัญไม่แพ้กัน

การทำเรื่องนี้ให้ถูกต้องอย่างสม่ำเสมอยังคงเป็นเรื่องยากมาก ผู้คนไม่ได้พูดสลับกันเป็นช่วง ๆ อย่างเป็นระเบียบ และคำพูดเดียวกันก็อาจมีความหมายต่างกันไปตามบทสนทนา ผู้ช่วยต้องเข้าใจว่าอะไรเปลี่ยนไปและจดจำได้ว่ากำลังทำอะไรอยู่

Boson AI พัฒนาเกณฑ์ทดสอบต่าง ๆ เช่น IHBench เพื่อวัดว่าเอเจนต์เสียงกลับมาทำงานต่อได้อย่างไรหลังถูกพูดแทรก การประเมินเหล่านี้เผยให้เห็นจุดอ่อนอะไรบ้างในโมเดลเสียงชั้นนำของปัจจุบัน และอุตสาหกรรมควรปรับวิธีวัดความฉลาดในการสนทนาอย่างไร

เราสร้าง IHBench ขึ้นเพื่อทดสอบว่าจะเกิดอะไรขึ้นเมื่อมีคนขัดจังหวะเอเจนต์เสียง หากคุณแก้ไขข้อมูลบางอย่างระหว่างจองบริการ เอเจนต์ควรรับทราบการแก้ไขและดำเนินการต่อจากจุดที่ถูกต้อง คุณไม่ควรต้องเริ่มต้นใหม่ หรือต้องนั่งฟังข้อมูลที่เอเจนต์แจ้งไปแล้วซ้ำอีก ผลการทดสอบแตกต่างกันมากตามโมเดลและประเภทของการขัดจังหวะ หนึ่งในข้อค้นพบที่เราไม่ค่อยอยากเผยแพร่นักคือ โดยทั่วไปแล้ว ระบบที่ไม่เปิดเผยน้ำหนักโมเดลรับมือกับการขัดจังหวะได้ดีกว่า และยังทำได้ดีกว่าเมื่อถูกขัดจังหวะในช่วงท้ายของบทสนทนา

นี่คือช่องว่างที่มีอยู่จริงในระบบนิเวศแบบเปิด และเราอยากวัดช่องว่างนี้อย่างเปิดเผยมากกว่าแสร้งทำเป็นว่าไม่มีอยู่จริง นี่เป็นเหตุผลสำคัญที่สุดข้อหนึ่งที่ทำให้มีการสร้างเกณฑ์มาตรฐานนี้ขึ้นมา คุณไม่อาจปิดช่องว่างที่ไม่มีใครตกลงกันได้ว่าจะวัดอย่างไร เราเผยแพร่เกณฑ์มาตรฐานนี้โดยยังไม่ได้ใส่โมเดลของเราเองลงไป เมื่อเราใส่โมเดลของเราเข้าไป Higgs Realtime ได้คะแนนคุณภาพการกู้คืน 71.2 สูงกว่า GPT Realtime 1.5 ซึ่งได้ 65.5, GPT Realtime 2 ซึ่งได้ 62.4 และ Gemini 3.1 Flash Live ซึ่งได้ 61.1 ดังนั้น ช่องว่างนี้จึงปิดได้ และโมเดลแบบเปิดน้ำหนักก็ปิดช่องว่างนั้นได้สำเร็จ

ผมอยากแสดงให้เห็นผลดังกล่าวจากการทดสอบที่เราออกแบบให้ยาก และเผยแพร่ก่อนที่เราจะมีอะไรมาแสดงในเรื่องนี้ ในภาพรวม ผมคิดว่าวงการนี้กำลังวัดสิ่งที่ไม่ถูกต้อง เสียงอาจฟังดูเป็นธรรมชาติอย่างยิ่ง แต่ก็ยังทำงานไม่สำเร็จได้ เพราะสิ่งสำคัญที่ต้องทดสอบคือเอเจนต์ทำงานจนเสร็จหรือไม่ หากคุณต้องคอยย้ำอยู่เรื่อย ๆ ว่ากำลังทำอะไรอยู่ เสียงจะฟังดูดีแค่ไหนก็หมดความสำคัญไปอย่างรวดเร็ว

AI เสียงที่สาธิตได้อย่างน่าประทับใจแตกต่างอย่างมากจากเอเจนต์อัตโนมัติที่สามารถจัดการปฏิสัมพันธ์กับลูกค้าในสถานการณ์จริงได้ อะไรคือสิ่งที่ทำให้ทั้งสองอย่างแตกต่างกัน และความสามารถด้านใดบ้างที่ต้องพัฒนาก่อนที่องค์กรจะสามารถนำเอเจนต์เสียงไปใช้ในขั้นตอนการทำงานที่มีความสำคัญต่อธุรกิจได้อย่างมั่นใจ?

ครั้งล่าสุดที่คุณรู้สึกสนุกกับการโทรหาบริษัทเคเบิลคือเมื่อไร สำหรับคนส่วนใหญ่ คำตอบคือไม่เคยเลย คุณถูกโอนสายจากคนหนึ่งไปอีกคนหนึ่ง และทุกครั้งก็ต้องอธิบายชื่อ วันเดือนปีเกิด และปัญหาของคุณซ้ำอีก เพื่อให้คนถัดไปถามข้อมูลทั้งหมดนั้นซ้ำอีกครั้ง ลองนึกถึงการโทรครั้งที่สี่เกี่ยวกับปัญหาเดิม คุณย่อมอยากให้เอเจนต์รู้ว่าเกิดอะไรขึ้นในการโทรสามครั้งแรก หากการรีสตาร์ตเราเตอร์ไม่ได้ผล บางทีอาจถึงเวลาส่งช่างเทคนิคไปตรวจสอบ และคุณก็ไม่ควรต้องเป็นคนอธิบายเหตุผลเรื่องนี้เอง เอเจนต์จะทำเช่นนั้นได้ก็ต้องมีประวัติบัญชีของคุณ และเข้าถึงระบบที่ใช้จองนัดหมายเข้าตรวจได้

เอเจนต์ยังต้องรับมือได้เมื่อการจองไม่สำเร็จ และรู้ว่าเมื่อใดควรโอนสายให้พนักงานที่สามารถแก้ปัญหาได้จริง ธุรกิจจำเป็นต้องทดสอบสถานการณ์เหล่านี้ก่อนนำเอเจนต์ไปรับสายจากลูกค้า อีกเรื่องหนึ่งคือค่าใช้จ่ายในการใช้งาน ระบบที่สาธิตได้อย่างยอดเยี่ยมอาจมีค่าใช้จ่ายสูงเกินไปเมื่อต้องรองรับการโทรหลายพันครั้งต่อวัน ดังนั้น ประสิทธิภาพจึงเป็นส่วนหนึ่งของความพร้อมสำหรับการใช้งานในธุรกิจ ไม่ใช่เรื่องที่แยกต่างหาก

เราดำเนินงานตามสถานการณ์นี้จริงกับบริษัทประกันภัยระดับโลกแห่งหนึ่งมาหลายเดือนแล้ว นี่ไม่ใช่การทดลองที่ทำควบคู่ไปกับระบบจริง แต่เป็นระบบที่จัดการบทสนทนากับลูกค้าจริง ทั้งสายเรียกเข้าและสายโทรออก โดยทำงานร่วมกับพนักงานขายของบริษัทในศูนย์ติดต่อลูกค้า รองรับสายพร้อมกันหลายพันสาย โดยมีค่าใช้จ่ายประมาณหนึ่งในสามของพนักงานมนุษย์

สิ่งที่ผมเห็นว่าน่าสนใจกว่าค่าใช้จ่ายคือ ระบบพัฒนาขึ้นได้ในระหว่างใช้งานจริง เมื่อเริ่มต้น การประเมินของบริษัทเองให้คะแนนคุณภาพการสนทนาของเราไว้ที่ 30 ห้าเดือนต่อมา คะแนนเพิ่มเป็น 80 ซึ่งเป็นคะแนนที่บริษัทใช้กับพนักงานขายทางโทรศัพท์ที่ผ่านเกณฑ์ ส่วน GPT-4o Realtime ได้คะแนน 55 ในการประเมินเดียวกัน เราไม่ได้ปรับแต่งระบบในห้องทดลองจนได้ผลลัพธ์นี้ แต่ระบบพัฒนาขึ้นจากการรับมือกับสายที่เข้ามาจริง ซึ่งเป็นการพัฒนาแบบเดียวที่ศูนย์ติดต่อลูกค้าให้ความสำคัญ

เมื่อเอเจนต์เสียงเริ่มทำมากกว่าการตอบคำถาม ไม่ว่าจะเป็นการลงมือทำงาน เข้าถึงข้อมูลลูกค้า หรือโต้ตอบกับระบบขององค์กร นักพัฒนาควรสร้างสมดุลระหว่างการทำงานโดยอัตโนมัติกับการกำกับดูแลของมนุษย์อย่างไร มาตรการป้องกันใดบ้างที่จำเป็นต่อการสร้างความไว้วางใจในระบบเหล่านี้ในระยะยาว?

ผมจะเริ่มจากถามว่าคุณกำลังไว้วางใจให้เอเจนต์ทำอะไร การอนุญาตให้เอเจนต์ตรวจสอบยอดเงินในบัญชีนั้นแตกต่างอย่างมากจากการอนุญาตให้โอนเงินหรือยกเลิกบริการ สิทธิ์การเข้าถึงควรสอดคล้องกับสิ่งที่อนุญาต และระบบที่เอเจนต์เชื่อมต่อด้วยก็ต้องบังคับใช้สิทธิ์เหล่านั้น คุณไม่อาจปล่อยให้คำสั่งในพรอมป์ต์เป็นผู้ดูแลเรื่องทั้งหมดนี้

ผู้ใช้ควรรู้ด้วยว่าตนกำลังยินยอมรับเงื่อนไขใด ก่อนที่เอเจนต์จะดำเนินการเปลี่ยนแปลงที่แก้คืนได้ยาก เอเจนต์ควรอธิบายผลที่จะตามมาและขอการยืนยัน วิธีนี้จะช่วยให้การส่งต่อให้พนักงานทำได้โดยไม่ยุ่งยากเมื่อเอเจนต์ติดขัด

ถึงอย่างไรก็ยังมีสิ่งผิดพลาดเกิดขึ้นได้ เมื่อเกิดปัญหา คุณต้องตรวจสอบได้ว่าเอเจนต์ทำอะไรไปบ้างและหยุดอยู่ตรงไหน เพื่อให้ใครสักคนแก้ไขให้ถูกต้องได้ เสียงที่ฟังดูมั่นใจอาจทำให้เราคิดว่าระบบรู้ว่ากำลังทำอะไรอยู่ แต่เราต้องสร้างความมั่นใจนั้นด้วยการทำให้ระบบทำงานได้อย่างน่าเชื่อถือ

Higgs Realtime รองรับภาษามากกว่า 100 ภาษา รวมถึงการสลับภาษาได้ระหว่างบทสนทนา ความท้าทายทางเทคนิคที่สำคัญที่สุดในการทำให้เอเจนต์มีความสามารถในการสนทนาอย่างสม่ำเสมอในภาษาถิ่น สำเนียง และรูปแบบการสื่อสารที่แตกต่างกันมีอะไรบ้าง โดยเฉพาะเมื่อต้องเข้าใจบริบททางอารมณ์และเจตนาของผู้ใช้?

การรองรับภาษาฟังดูเหมือนเป็นแค่รายการภาษา แต่ความจริงไม่ใช่เช่นนั้น ก่อนหน้านี้ไม่นาน มีลูกค้ารายหนึ่งต้องการใช้ภาษาไทย เรารองรับภาษาไทยได้เพียงบางส่วน และสิ่งแรกที่เราพบคือเราแทบไม่รู้อะไรเกี่ยวกับภาษาไทยเลย โดยเริ่มจากข้อเท็จจริงที่ว่าภาษาไทยเขียนแทบไม่มีเครื่องหมายวรรคตอน ซึ่งทำให้สมมติฐานเกี่ยวกับการแบ่งขอบเขตประโยคที่ระบบรู้จำเสียงส่วนใหญ่ยึดถือใช้ไม่ได้ เราอาจเลื่อนการเข้าสู่ตลาดนี้ออกไปก่อนก็ได้ แต่เราเลือกค้นหานักวิทยาศาสตร์คอมพิวเตอร์ที่พูดภาษาไทยได้ แล้วสร้างวิธีจัดการภาษาไทยขึ้นใหม่ให้ถูกต้อง

ประมาณหกสัปดาห์ต่อมา เราก็ไปสาธิตระบบที่กรุงเทพฯ ระหว่างการสาธิต ผมบอกไม่ได้ว่าผลเป็นอย่างไร เพราะผมกำลังฟังผู้คนทดลองใช้ระบบในภาษาที่ผมพูดไม่ได้ หลังจากนั้นพวกเขาบอกว่าระบบทำงานได้ดี ซึ่งทำให้ผมโล่งใจไม่น้อย ขนบการสื่อสารแตกต่างกันพอ ๆ กับคำศัพท์ ในภาษาญี่ปุ่น ผู้ฟังจะส่งเสียงตอบรับสั้น ๆ ระหว่างที่คุณพูดเพื่อแสดงว่าพวกเขากำลังติดตามอยู่ หากผู้ช่วยหยุดทุกครั้งเพื่อส่งต่อสิทธิ์ในการพูด ก็จะทำลายจังหวะของบทสนทนา

แม้จะใช้คำได้อย่างสมบูรณ์แบบ บทสนทนาก็ยังล้มเหลวได้ วิธีพูดก็สำคัญพอ ๆ กับสิ่งที่พูด คุณอาจใช้คำเดิมทุกคำด้วยน้ำเสียงอ่อนโยนหรือประชดประชันก็ได้ และคำตอบที่เหมาะสมในแต่ละกรณีก็แตกต่างกันโดยสิ้นเชิง การรักษาน้ำเสียงและบริบทไว้ขณะที่ภาษาเปลี่ยนไปกลางประโยค เป็นส่วนสำคัญอย่างยิ่งที่ทำให้เรื่องนี้น่าสนใจสำหรับผม

บริษัทอย่าง OpenAI และ Google ทุ่มลงทุนอย่างมากในปัญญาประดิษฐ์หลายรูปแบบที่ทำงานแบบเรียลไทม์ บริษัทเฉพาะทางอย่าง Boson AI จะแข่งขันกับองค์กรที่มีทรัพยากรด้านการประมวลผลมากกว่าอย่างมีนัยสำคัญได้อย่างไร และคุณมองเห็นโอกาสสร้างความแตกต่างที่สำคัญที่สุดในด้านสถาปัตยกรรมโมเดล ประสิทธิภาพ และเศรษฐศาสตร์ของการอนุมานอยู่ที่จุดใด

การมีทรัพยากรประมวลผลมากกว่าไม่ได้หมายความว่าจะใช้ได้อย่างมีประสิทธิภาพโดยอัตโนมัติ ในการสนทนาแบบเรียลไทม์ คุณอาจต้องเสียเงินจำนวนมากเพื่อใช้โมเดลที่ทรงพลังมาก เพียงแค่ประมวลผลคำพูดอย่าง “อืม” หรือ “ใช่ น่าจะใช่” โมเดลนั้นก็จะใช้ความสามารถด้านสติปัญญาไปมากกับการฟังคำพูดเติมเต็ม สมองมีต้นทุนสูงและใช้พลังงานมาก เช่นเดียวกับการอนุมาน สุดท้ายแล้วลูกค้าก็เป็นผู้จ่ายค่าใช้จ่ายเหล่านั้น

มนุษย์แก้ปัญหานี้ด้วยการแบ่งความสนใจ คุณอาจนั่งอยู่ในร้านกาแฟและคุยเรื่องน่าเบื่อเล็กน้อย ขณะที่สมองส่วนหนึ่งกำลังคิดอยู่ว่าจะทำอะไรเป็นมื้อเย็น สมองส่วนหน้ารับหน้าที่สนทนา จากนั้นอีกฝ่ายถามคำถามที่ยากจริง ๆ คุณก็จะจดจ่อกับเรื่องนั้นอย่างเต็มที่และทุ่มความสนใจทั้งหมดให้ เราสร้างระบบสนทนาด้วยวิธีเดียวกัน

โมเดลต้นทุนต่ำจะรับมือกับบทสนทนาส่วนหน้า ส่วนการให้เหตุผลและการเรียกใช้เครื่องมือที่มีต้นทุนสูงกว่าจะเข้ามาทำงานเมื่องานนั้นจำเป็นต้องใช้จริง ๆ อีกส่วนหนึ่งคือเราเลือกซื้อทรัพยากรประมวลผลแทนการเช่า การคำนวณไม่ซับซ้อน: นำค่าใช้จ่ายรายชั่วโมงของอินสแตนซ์บนคลาวด์คูณด้วยจำนวนชั่วโมงในหนึ่งปี ก็จะได้ตัวเลขใกล้เคียงกับราคาซื้อฮาร์ดแวร์ขาด เราคำนวณจุดคุ้มทุนแยกทีละองค์ประกอบ แล้วเริ่มสร้างระบบจากจุดนั้น เรื่องจริงยากกว่าที่ฟังดู และไม่ได้เป็นไปอย่างราบรื่นทุกอย่าง แต่แนวทางนี้ทำให้เราไม่ต้องพึ่งการขยายขนาดด้วยกำลังประมวลผลแบบทุ่มสุดตัว ซึ่งหมายความว่าการพัฒนาแต่ละครั้งต้องเกิดจากข้อมูลที่ดีขึ้นและสถาปัตยกรรมที่ดีขึ้น นอกจากนี้ยังกลายเป็นข้อได้เปรียบในการปกป้องเราด้วย เพราะอุปกรณ์บางชิ้นที่เราได้รับใบเสนอราคาต่ำกว่า 100,000 ดอลลาร์ กลับมีราคาสูงขึ้นประมาณสองเท่าในอีกหกเดือนต่อมา เราทำงานได้รวดเร็วเพราะเราเป็นทีมเล็กที่มุ่งทำสิ่งเดียว นักวิจัยสามารถหยิบแนวคิดมาทดลองและนำไปใส่ในผลิตภัณฑ์ได้ด้วยตนเอง เรายังได้ประโยชน์จากชุมชนนักวิจัยแบบเปิดและร่วมแบ่งปันผลงานกลับคืนให้ชุมชนด้วย ซึ่งช่วยให้ทีมเล็ก ๆ ทำอะไรได้มากกว่าที่ขนาดทีมจะบ่งบอก

งานวิจัยของคุณเกี่ยวกับ ProactBench สำรวจมิติสำคัญของความฉลาดในการสนทนา นั่นคือการรับรู้ว่าผู้ใช้ต้องการอะไร แม้พวกเขาจะไม่ได้ร้องขออย่างชัดเจน คุณมองว่าผู้ช่วยเสียงจะพัฒนาจากผู้ช่วยที่ตอบสนองตามคำสั่งไปเป็นผู้ร่วมงานเชิงรุกได้อย่างไร และควรกำหนดขอบเขตตรงไหนระหว่างการคาดการณ์ความต้องการของผู้ใช้กับการก้าวก่ายเกินควร

สมมติว่าคุณกำลังนัดหมายแพทย์ และช่วงต้นของบทสนทนาคุณบอกว่าขับรถไม่ได้ ผู้ช่วยที่ดีจะจดจำข้อมูลนั้นไว้และแนะนำให้เปลี่ยนเป็นการนัดหมายทางไกล หรือช่วยจัดหาการเดินทางให้ คุณไม่ควรต้องพูดข้อมูลนั้นซ้ำ

นั่นคือสิ่งที่เรากำลังศึกษาด้วย ProactBench ว่าผู้ช่วยจะนำข้อมูลที่คุณบอกไปใช้คาดการณ์ความต้องการและเสนอความช่วยเหลือในเรื่องที่คุณไม่ได้ร้องขอโดยตรงได้หรือไม่

แน่นอนว่าคุณอาจจัดรถไปพบแพทย์ไว้แล้ว ผู้ช่วยควรเสนอทางเลือกให้คุณตัดสินใจ แทนที่จะทึกทักว่ารู้แผนของคุณ ผมอยากให้ระบบเหล่านี้ช่วยลดภาระของผู้คน แต่ยังคงให้พวกเขาควบคุมสิ่งที่เกิดขึ้นได้

เมื่อมองไปข้างหน้าอีกห้าปี คุณคิดว่าเสียงจะกลายเป็นส่วนติดต่อหลักที่ผู้คนใช้โต้ตอบกับปัญญาประดิษฐ์และซอฟต์แวร์หรือไม่ หากเป็นเช่นนั้น การเปลี่ยนแปลงนี้จะพลิกโฉมแอปพลิเคชันแบบเดิม ซอฟต์แวร์สำหรับองค์กร ตลอดจนบทบาทของหน้าจอและส่วนติดต่อผู้ใช้แบบกราฟิกอย่างไร

ผมคิดว่าเราจะพูดคุยกับคอมพิวเตอร์กันมากขึ้น และบ่อยครั้งก็จะใช้วิดีโอร่วมด้วย เมื่อเห็นใครสักคนทำหน้างุนงง คุณก็จะรู้ว่าอาจต้องอธิบายเรื่องนั้นในอีกแบบหนึ่ง การสาธิตระบบเสียงและวิดีโอของเราแสดงให้เห็นจุดเริ่มต้นของการโต้ตอบลักษณะนี้ โดย AI ตอบสนองต่อสิ่งที่มองเห็นได้เช่นเดียวกับสิ่งที่ได้ยิน

ผมยังชอบใช้แป้นพิมพ์เขียนโค้ด และถ้ากำลังเปรียบเทียบข้อมูล ผมอาจอยากดูข้อมูลบนหน้าจอเพื่อไล่อ่านตามจังหวะของตัวเอง

สำหรับซอฟต์แวร์ธุรกิจ ผมนึกภาพได้ว่าอาจเริ่มต้นงานด้วยการอธิบายสิ่งที่ต้องการ จากนั้นตรวจดูผลลัพธ์บนหน้าจอและแก้ไขได้โดยตรง ในอีกห้าปีข้างหน้า ผมคิดว่าการสลับไปมาระหว่างวิธีทำงานเหล่านั้นจะง่ายขึ้นมาก คุณสามารถพูดคุยได้เมื่อสะดวก และใช้หน้าจอเมื่อต้องการความแม่นยำ

ขอขอบคุณสำหรับบทสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการศึกษาเพิ่มเติมเกี่ยวกับ AI เสียงแบบสนทนาและเอเจนต์เสียงสำหรับองค์กร สามารถเยี่ยมชม Boson AI ได้